컴포저블 CDP에서 AI 기반 세그먼트를 작동시키는 방법

AI 기반 세그먼트는 최근 직접 테스트에서 표준 세그먼트보다 최대 42% 더 나은 성능을 보였습니다. 이 결과는 규칙 기반 접근 방식에서 AI 기반 세분화로 전환하는 브랜드의 경우에 일반적입니다. 이전에 분할을 사용하지 않은 경우 리프트가 더 커지는 경향이 있습니다.

많은 "패키지" CDP 제품에는 상대적으로 최소한의 구성으로 중요한 예측 AI를 수행하는 데이터 과학이 번들로 포함되어 있습니다. 그러나 CDP에 구성 가능한 접근 방식을 채택하는 경우 "구성 가능한" CDP가 데이터 웨어하우스에 있는 데이터 및 속성에 의존한다는 점을 고려하면 AI 기반 세그먼트가 수많은 채널에서 작동하도록 하는 방법에 대해 의문이 생길 수 있습니다.

데이터 과학과 함께 패키지된 CDP는 무엇을 제공하나요?

이 주제는 그 자체로 하나의 기사가 될 수 있지만 패키지된 CDP 데이터 과학 제품을 크게 세 가지 범주로 분류하겠습니다.

• 행동 강화.
• 맞춤형 데이터 사이언스 빌더.
• 자신의 것을 가져오세요.

행동 강화

몇몇 CDP는 다음과 같이 사용자 행동을 분류하는 제품으로 혁신을 이루었습니다.

• 콘텐츠 친화력.
• 채널 선호도.
• 행동 점수.

이러한 분류는 규칙 기반 세분화를 위해 분리되거나 사용자 정의 모델을 구축하는 데 유용한 기능으로 유용할 수 있습니다.

예를 들면 다음과 같습니다.

• JavaScript 태그와 잘 작동하는 Lytics의 행동 점수 및 콘텐츠 친화력.
• BlueConic에는 유사한 행동 점수 모음이 있습니다.
• Simon Data의 Simon Predict 기능은 특정 마케팅 결과에 대한 예측 분석을 제공합니다.

맞춤형 데이터 사이언스 빌더

여러 패키지 CDP는 사용자 정의 매개변수를 통해 정기적인 점수를 제공하는 기계 학습 모델을 구성하기 위한 데이터 과학 빌더를 제공합니다.

Lytics, Blueshift, BlueConic 등이 얼리 어답터였습니다. 거대 기업인 Adobe와 Salesforce에는 예측 기능이 있습니다. mParticle과 Twilio Segment도 수년간 데이터 품질을 향상시킨 후 지난 6~12개월 내에 기능을 도입했습니다.

이러한 "직접 구축" 솔루션은 강력하지만 기술적이지 않은 마케팅 사용자가 있는 플랫폼 사용자에게 많은 준기술적 결정을 강요합니다. 제품과 일상적인 최종 사용자 간의 부조화로 인해 채택 문제가 발생합니다.

직접 가져와

모든 CDP는 특정 고객에게 속성을 온보딩할 수 있습니다. 데이터 과학 점수는 다음 중 하나일 수 있습니다. 나와 함께 일한 많은 고객은 데이터 과학에 상당한 투자를 했으며 데이터 과학 결과를 마케팅 활성화에 더 잘 연결하려고 노력했습니다.

2023년에도 명확한 마케팅 사용 사례와 연결되지 않은 마케팅 데이터 과학 실습이 여전히 있다는 점이 흥미로웠습니다. CDP는 예측 점수와 고객 인텔리전스를 마케팅 채널에 온보딩하는 문제를 해결할 수 있지만 먼저 내부 데이터 과학이 존재해야 합니다.

이것이 바로 패키지 CDP의 좋은 점입니다. 데이터 과학이 실제로 존재합니다. 그러나 컴포저블화에 대한 주장은 강력합니다. 이론적으로 더 빠른 가치 창출 시간, 더 간단한 구현, 향상된 개인 정보 보호 및 더 낮은 총 소유 비용을 제공합니다. 그렇다면 회사는 무엇을 해야 할까요?

컴포저블의 데이터 과학을 이해하기 위한 프레임워크

귀하의 기업이 현재 데이터 과학 성숙도에 있는지에 대한 세 가지 시나리오를 검토해 보겠습니다.

• 시나리오 1: 우리 회사에는 기존 모델이 있습니다.
• 시나리오 2: 우리 회사에는 사용 가능한 기존 모델이나 데이터 과학 리소스가 없습니다.
• 시나리오 3: 우리 회사는 맞춤형 모델을 만들고 싶어합니다.

시나리오 1: 우리 회사에는 기존 모델이 있습니다.

귀하가 마케팅 세분화에서 예측 AI를 강화하기 위해 데이터 과학에 필요한 투자를 한 매우 성숙하거나 "디지털 태생" 조직이라면 좋은 소식이 있습니다.

컴포저블 아키텍처는 "컴포저블" CDP를 활용하고 모든 데이터 과학 강화 기능을 마케팅 채널에 연결하는 원활한 방법입니다. 여러분이 해야 할 일은 해당 점수가 정기적으로 업데이트되고 컴포저블 CDP가 점수에 대한 가시성을 갖도록 하는 것뿐입니다. (여기서 다른 함정에 대해 자세히 알아보세요.)

시나리오 2: 우리 회사에는 사용 가능한 기존 모델이나 데이터 과학 리소스가 없습니다.

데이터 과학 실무를 처음부터 구축하는 것은 어렵고 비용이 많이 드는 작업입니다. 다른 조직 문제에 할당된 데이터 과학자를 활용하는 사례를 만드는 것은 또 다른 문제입니다.

예를 들어, 미래 가격과 제품 제조에 필요한 재료의 가용성을 예측하기 위한 정교한 데이터 과학 실무를 갖춘 CPG 고객이 있습니다. 그러나 이러한 데이터 과학자는 마케팅 활성화에 중점을 두지 않습니다.

나는 수십억 달러 규모의 농산물이나 화학제품을 구매한 경험이 없습니다. 하지만 토마토 선물 가격을 예측하는 것과 고객이 향후 90일 내에 이탈할지 예측하는 것은 미묘한 차이가 있을 것으로 생각됩니다. 각 모델에는 고유한 기능이 있으며 데이터 과학자의 경험은 모델의 성공에 큰 영향을 미칩니다.

그렇다면 기업이 해야 할 일은 무엇인가? 데이터 엔지니어, 데이터 과학자, 데이터 분석가를 고용하여 데이터베이스를 구축하고, 기능을 엔지니어링하고, 모델을 구축하고, 해석한 다음 바쁜 마케팅 팀에 도입을 유도하기 위해 설명해야 할까요?

점점 더 많은 조직이 데이터 과학을 "대여"하려고 합니다. 특정 마케팅 사용 사례에 대한 독보적인 데이터 과학 모델을 사용하여 Predictable 또는 Ocurate와 같은 AI 플랫폼을 설정할 수 있습니다. 이러한 솔루션은 가치 실현 시간이 매우 빠릅니다.

또는 회사가 더 많은 맞춤형 서비스를 선택할 수도 있습니다. Faraday와 같은 플랫폼은 데이터 강화와 매우 유연한 모델 구성을 약속합니다. 그러나 사용자는 직접 코딩한 Python이 필요하지 않더라도 무엇을 예측하고 모델을 구성하는 방법을 알기 위해서는 여전히 기술적 통찰력이 필요합니다.

시나리오 3: 우리 회사는 맞춤형 모델을 만들고 싶어합니다.

이 경로를 진행하기 전에 비용을 평가하십시오. 실제로 확장 가능한 모델을 구축하려면 높은 보상을 받는 여러 직원의 참여가 필요합니다.

올바르게 수행하려면 다음이 필요합니다.

• 데이터를 수집하고 선별하는 데이터 엔지니어 .
• 데이터 과학자는 데이터를 엔지니어링하고 모델링합니다.
• 분석 가는 데이터를 해석하고 사례를 활용합니다.

이 중 두 가지 영역에서 선물을 가진 직원을 찾을 수 있습니다. 하지만 이 두 가지 분야에서 뛰어난 사람은 드물다. 일반적으로 사람들은 이 세 가지 영역 중 하나에서 가장 뛰어난 능력을 발휘합니다.

마케팅 데이터 과학을 구축하는 데 전념하고 있다면 시작하는 데 도움이 되는 도구에 대해 생각해 보세요. 예를 들어 Google Cloud Platform을 사용하는 경우 Vertex 제품과 'Model Garden'을 고려해 보세요.

GA 데이터에만 액세스할 수 있는 경우 BigQuery의 데이터를 활용하여 디지털 마케팅 활동에 추가되는 특정 현장 결과를 예측할 수 있는 iBQML에 대해 자세히 알아보세요.

보다 강력한 BigQuery 구축이 있는 경우 기본 GA 데이터 외부의 데이터에 점수를 매길 수 있는 BQML을 활용하세요. 이러한 기능의 "스타터" 개념은 추가 데이터 과학 투자를 위한 조직적 추진력을 구축할 수 있습니다.

컴포저블 CDP에서 데이터 사이언스를 어떻게 사용하나요?

CDP를 배포한 후 다음과 같은 일반적인 질문이 제기됩니다. CDP와 연결된 마케팅 채널이 중복되는 기능을 공유하는 경우 데이터 과학을 어떻게 최적화합니까? 여기에는 Facebook, Google Ads, 브랜드 ESP 등과 같은 예측 기능이 있는 채널로 내보낸 잠재고객이 포함될 수 있습니다.

제가 제공하는 답변은 고객의 사용 사례에 따라 다릅니다. 광고 도구에는 일반적으로 CDP와 데이터 웨어하우스에 없는 데이터가 있습니다. 획득 및 리마케팅 ​​사용 사례에 사용 중인 광고 플랫폼의 최상의 입찰을 활용하면서 데이터 웨어하우스 또는 CDP에서 고도로 타겟팅된 시드 잠재고객을 추천합니다.

내 경험에 따르면 잘 선택된 AI 기반 시드 청중은 규칙 기반 청중의 유사 청중보다 성과가 뛰어납니다. 예를 들어, 한 광고주는 최근 Facebook에서 AI 기반 예측을 사용하는 유사 고객과 규칙 기반 참여 고객의 유사 고객 간에 직접 테스트를 수행했습니다. AI 기반 시드 청중의 전환율은 규칙 기반 세그먼트를 25% 능가했습니다.

ESP에는 데이터 웨어하우스에 부족한 이메일 참여에 대한 지식이 있을 수 있습니다. 그렇다면 위의 광고 기술 접근 ​​방식을 사용하세요. ESP에 포함된 데이터를 수집한 경우 CDP/데이터 웨어하우스 기반 세분화 및 결정을 사용하세요. 또한 지리적 또는 브랜드별 요구 사항이 있는 경우 여러 ESP를 유연하게 사용할 수 있습니다. 그러나 구체적인 권장 사항은 특정 사용 사례 및 데이터에 따라 달라집니다.

컴포저블 CDP에서 AI 사용을 확장할 때 주요 고려 사항

컴포저블 CDP에서 AI 사용을 시작하거나 확장하고 싶다고 확신한다고 가정해 보겠습니다. 다음은 스스로에게 물어볼 수 있는 질문 체크리스트입니다.

클라우드 데이터 웨어하우스에 모든 마케팅 데이터가 있나요?

여기에는 GA4와 같은 웹사이트 데이터, 이메일과 같은 소유 채널과의 참여 데이터, 모든 거래/충성도 내역이 포함될 수 있습니다.

여기에는 채널 전반에 걸쳐 고객 문제를 해결하기 위한 ID 솔루션 또는 규칙 기반 매칭이 포함될 수 있습니다. 동의 데이터는 모든 자사 데이터 사용에 중요합니다.

팀에 AI를 활용하는 데 필요한 기술이 있습니까?

여기에는 데이터 엔지니어, 데이터 과학자, 마케팅 분석가 및 마케팅 운영 실무자에 대한 액세스가 포함됩니다.

AI 기반 청중을 배포하기 위한 전술적 계획이 있습니까?  

여기에는 전략적인 요소가 있습니다. 그러나 사용 사례 로드 매핑에서는 특정 전술이 간과되는 경우가 많습니다. 잠재고객 구축에 있어 특정 데이터의 필요성과 각 채널에서 해당 잠재고객의 실제 적용을 결정하는 마케팅 운영 계획이 있어야 합니다.

CDP에 AI 기반 청중을 위한 측정 계획이 있습니까?

측정 계획에는 특정 테스트 대상과 상승도 및 ROI를 측정하는 방법이 포함되어야 합니다. 성공 기준이 명확하게 설정되어 있는지 확인하고 성공적인 테스트가 향후 출시에 어떤 의미인지에 대해 이해관계자가 일치하도록 하세요.

구성 가능 여부와 관계없이 CDP 활동에서 AI 출시에 행운이 있기를 바랍니다. 아마도 비용 효율적이고 마케팅 팀의 ROI에 추가되는 방식으로 워크플로에 기능을 채택할 수 있는 경로가 있을 것입니다.